爬虫初识

1、数据的由来

• 爬虫获取数据
• 购买数据
• 免费数据
• 数据管理咨询公司

2、爬虫定义

• 通过代码模拟浏览器发送请求，获取响应，提取数据

3、爬虫作用

a、解决冷启动问题。

b、搜索引擎的根基：做搜索引擎少不了爬虫。

c、建立知识图谱，帮助建立机器学习知识图谱。

d、可利用爬取的数据制作比价软件

f、秒杀，抢票等个人用途

3、爬虫分类

• 通用爬虫：就是将互联网上的数据整体爬取下来保存到本地的一个爬虫程序，是搜索引擎的重要组成部分。

  • 搜索引擎：就是运用特定的算法和策略，从互联网上获取页面信息，并将信息保存到本地为用户提供检索服务的系统。

  • 搜索引擎工作步骤

    • 第一步：抓取网页（抓取url来自哪里？）

      ​ a、新网站会主动提交。

      ​ b、在其他网站设置的外链也会加入到待爬取的url队列里面。

      ​ c、和dns服务商合作，如果有新网站成立，搜索引擎就会获取网址。

    • 第二步：保存数据

    • 第三步：预处理

      • 提取文字
      • 中文分词
      • 消除噪音(比如版权声明文字、导航条、广告等……)
      • 除了HTML文件外，搜索引擎通常还能抓取和索引以文字为基础的多种文件类型，如 PDF、Word、WPS、XLS、PPT、TXT 文件等。我们在搜索结果中也经常会看到这些文件类型。

    • 第四步：提供检索服务，网站排名

  • 搜索引擎的局限性

    • 1.通用搜索引擎所返回的结果都是网页，而大多情况下，网页里90%的内容对用户来说都是无用的
    • 2.不同领域、不同背景的用户往往具有不同的检索目的和需求，搜索引擎无法提供针对具体某个用户的搜索结果。
    • 3.万维网数据形式的丰富和网络技术的不断发展，图片、数据库、音频、视频多媒体等不同数据大量出现，通用搜索引擎对这些文件无能为力，不能很好地发现和获取。
    • 4.通用搜索引擎大多提供基于关键字的检索，难以支持根据语义信息提出的查询，无法准确理解用户的具体需求。

• 聚焦爬虫：在实施网页抓取时会对内容进行处理筛选，尽量保证只抓取与需求相关的网页信息。

4、爬虫准备工作

• （1）robots协议

  ​ 定义：网络爬虫排除标准

  ​ 作用：网站通过Robots协议告诉搜索引擎哪些页面可以抓取，哪些页面不能抓取。

  ​ 将来写爬虫程序我们要规避robots协议即可。

• （2）网站地图sitemap

  ​ sitemap 就是网站地图， 它通过可视化的形式， 展示网站的主要结构。

  ​ 网上有很多sitemap生成网站：https://help.bj.cn/

• （3）估算网站的大小

  ​ 可以使用搜索引擎来做，比如在百度中搜索 site：www.taobao.com

5、http协议

• http协议：HyperText Transfer Protocol，超文本传输协议,是一种收发html的规范。

  • http端口号：80

• HTTPS (Hypertext Transfer Protocol over Secure Socket Layer)简单讲是http的安全版，在http下加入SSL层。

  • https端口号：443

• SSL(Secure Sockets Layer 安全套接层)主要用于Web的安全传输协议，在传输层对网络连接进行加密，保障在Internet上数据传输的安全。

• 加密技术

  • 对称加密
  • 非对称加密
  • 数字签证

• http协议的特点：

  ​ （1）应用层协议。

  ​ （2）无连接：http协议每次发送请求都是独立的。http 1.1以后有一个头：connection：keep_alive.

  ​ （3）无状态：http协议不记录状态，进而产生了两种记录http状态的技术：cookie和session。

• url：统一资源定位符

  • url的作用：用来定位互联网上的【任意】资源的【位置】。
  • url的组成：https://www.baidu.com/s?wd=python&rsv_spt=1#3
    • 协议：https
    • 网络地址：www.baidu.com
    • 路径：/s
    • 查询参数: wd=python&rsv_spt=1
    • 锚点：3

from  urllib.parse import urlparse

print(urlparse('https://www.baidu.com/s?wd=python&rsv_spt=1#3'))
'''
ParseResult(scheme='https', netloc='www.baidu.com', path='/s', params='', query='wd=python&rsv_spt=1', fragment='3')'''

• http工作过程

  • 地址解析
  • http报文封装
  • tcp数据报文封装，三次握手进行连接
  • 客户端发送请求
  • 服务端响应
  • 四次挥手，结束连接。

• 客户端发送请求

  • url只是表示资源位置，而http请求则可以进行数据提交，获取与删除等。。

  • 请求头格式

    • 

    • GET / HTTP/1.1
      Host: www.baidu.com
      Connection: keep-alive
      Cache-Control: max-age=0
      Upgrade-Insecure-Requests: 1
      User-Agent: Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.149 Safari/537.36
      Sec-Fetch-Dest: document
      Accept: text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3;q=0.9
      Sec-Fetch-Site: none
      Sec-Fetch-Mode: navigate
      Sec-Fetch-User: ?1
      Accept-Encoding: gzip, deflate, br
      Accept-Language: zh-CN,zh;q=0.9,en;q=0.8
      Cookie: BIDUPSID=FC48EB3E32989D00B48FE188F0D18E29; PSTM=1575894403; BAIDUID=FC48EB3E32989D00F7BFCA9AF76D009A:FG=1; BD_UPN=12314753; sug=3; ORIGIN=2; bdime=0; 
      

  • 请求方法

    • 序号	方法	描述
      1	GET	请求指定的页面信息，并返回实体主体。
      2	HEAD	类似于 GET 请求，只不过返回的响应中没有具体的内容，用于获取报头
      3	POST	向指定资源提交数据进行处理请求（例如提交表单或者上传文件）。数据被包含在请求体中。POST 请求可能会导致新的资源的建立和/或已有资源的修改。
      4	PUT	从客户端向服务器传送的数据取代指定的文档的内容。
      5	DELETE	请求服务器删除指定的页面。
      6	CONNECT	HTTP/1.1 协议中预留给能够将连接改为管道方式的代理服务器。
      7	OPTIONS	允许客户端查看服务器的性能。
      8	TRACE	回显服务器收到的请求，主要用于测试或诊断。
      9	PATCH	是对 PUT 方法的补充，用来对已知资源进行局部更新 。

• 服务器响应

  • 响应头

    • HTTP/1.1 200 OK
      Bdpagetype: 2
      Bdqid: 0xca03f14700105a2b
      Cache-Control: private
      Connection: keep-alive
      Content-Encoding: gzip
      Content-Type: text/html;charset=utf-8
      Date: Fri, 20 Mar 2020 14:22:33 GMT
      Expires: Fri, 20 Mar 2020 14:22:33 GMT
      Server: BWS/1.1
      Set-Cookie: BDSVRTM=643; path=/
      Set-Cookie: BD_HOME=1; path=/
      Set-Cookie: H_PS_PSSID=30975_1420_31125_21120_30904_31103_30823_31085_26350; path=/; domain=.baidu.com
      Strict-Transport-Security: max-age=172800
      Traceid: 1584714153020437044214556743707837618731
      X-Ua-Compatible: IE=Edge,chrome=1
      Transfer-Encoding: chunked
      

  • 响应体

    • 

  • 状态码

    • 100~199：表示服务器成功接收部分请求，要求客户端继续提交其余请求才能完成整个处理过程。
    • 200~299：表示服务器成功接收请求并已完成整个处理过程。常用200(OK 请求成功)。
    • 300~399：为完成请求，客户需进一步细化请求。例如：请求的资源已经移动一个新地址、常用302(所请求的页面已经临时转移至新的url)、307和304(使用缓存资源)。
    • 400~499：客户端的请求有错误，常用404(服务器无法找到被请求的页面)、403(服 务器拒绝访问，权限不够---DDos)。
    • 500~599：服务器端出现错误，常用500(请求未完成。服务器遇到不可预知的情况)。

  • 输入url到数据呈现的过程

    • 1、url地址解析，http数据报文封装，三次握手建立连接。
    • 2、服务器进行url解析，分析用户想要的资源，例如index.html,封装成数据包，进行返回。
    • 3、客户端检查该index.html中是否有静态资源需要继续请求，比如js，css，图片，如果有继续请求获取静态资源。
    • 4、浏览器进行页面渲染，显示页面